作者 | 安富建
过去两年，具身智能一个核心矛盾是：机器人需要大量真实世界数据，但机器人本身很难产生大量数据。
与此同时，人类每天都在真实世界里产生海量数据：从工厂装配、仓储分拣，到拿杯子、叠衣服，再到使用工具等。
所以灵初智能选择了一条看起来「反常规」的路线：先不使用机器人采集数据，而是让机器人学习人类。
今年 4 月，灵初智能用近 10 万小时人类操作数据训练 Psi-R2，并配合世界模型 Psi-W0 构建「数据-模型」闭环。
这证明了一件事：人类数据可以成为具身模型的预训练燃料。
那么，新的问题又来了：如果数据规模化是具身智能的关键，10 万小时之后，下一步是什么？
9 月 23 日，灵初智能宣布具身模型 Psi-R2.5 发布，对此作出回答。
10 万小时之后，灵初智能开始重新审视数据究竟应该如何被使用。
从 Psi-R2 到 2.5，这不仅是一次模型迭代，更大的意义在于：这让具身智能从「训练一个更强的模型」，进入到一个「让人类数据变成机器人数据」的新阶段。
上一阶段，行业玩家看重的是「谁的预训练数据多」。
而在灵初智能看来，下一个阶段竞争的是谁能看懂哪些数据值得被规模化，并把它高效地转化为机器人可执行的数据。
人类数据的价值，不在于「收集」，而在于能否转化成机器人可以理解、执行和泛化的数据。
「10 万小时」之后，灵初开始重新定义什么是好数据10 万小时之后，灵初智能遇到的并非数据不够的问题，而是另一个更棘手的问题：10 万小时人类数据，究竟有多少真正能够帮助机器人学习？
对具身模型而言，数据规模化并不只是把小时数做大。
10 万小时数据，并不意味着 10 万小时的信息量。同一个任务重复采集 100 小时，可能不如 100 个任务各采 1 小时。满足任务与场景的多样性的高质量数据才是重点。
相比互联网公开视频数据、真机遥操作数据、仿真合成数据等，人类操作数据具有精细捕捉真实环境反应的优势，但也被认为并非机器人原生数据，难以直接用于训练机器人。
更困难的是，人类数据要用来训练机器人，需要解决两大鸿沟：
- 一是视觉效果鸿沟，外观像素差异、相机拍摄参数、环境视角等视觉偏差；
- 二是动力学鸿沟，人手与机器人关节的运动学不同。
在动力学方面，人手在捏住一个纸杯时，会自动根据接触面发生肉体形变，并维持稳定的力矩。而机器人机械手可能直接把纸杯捏爆，或者因为接触面积不足让杯子脱落。
真正高价值的人类数据，是能够被转换成机器人数据的人类数据。
通向 Scaling 终点的不是人类数据，而是能被机器人真正吸收的人类数据。
要理解 Psi-R2.5，需要回看灵初智能在这条路线上走过的两步。
今年 4 月，灵初智能宣布具身数据量达到了 10 万小时人类数据，同时发布具身双模型架构：Psi-R2 和 Psi-W0。
第一步，Psi-R2：证明「人类数据可以训练机器人」。
Psi-R2 是全球首个以 10 万小时量级人类数据预训练的 World Action Model，在 MolmoSpaces 评测中位列全球第一。
Psi-R2 回答的是：人类数据是否可以成为机器人基础模型的「预训练燃料」？
而能够证明人类数据可以训练模型，关键是人类手部做的动作机器人如何学习？
第二步，Psi-W0：解决「人类数据怎么变成机器人数据」。
Psi-W0 并不是传统意义上的仿真器，而是一个 Action-Conditioned World Model。
Psi-W0 以世界模型替代传统仿真器，绕开 Sim2Real 路线的限制，同时承担多重角色（评估、轨迹推演以及人类数据向机器人数据转换等）。
当 Psi-R2 在 Psi-W0 中执行一个动作后，Psi-W0 会给出反馈，判定动作成功与否。Psi-R2 在 Psi-W0 中持续做强化学习。
两个模型最大的区别是，Psi-W0 会输入大量失败数据，判定什么是对的、什么是错的，以理解物理世界的边界。
为了做好数据输入输出的对齐，人类手部操作数据输入 Psi-W0 之后，会「动力学迁移」到机器人形成一套新数据。
这意味着完成了「从人类数据到机器人数据的转化」。完成转化，才能利用。之后，新数据反哺给 Psi-R2，形成「数据-模型」闭环。
以上两步，灵初智能验证了人类数据训练具身智能模型的可行性，完成了从人类数据质量到机器人数据质量的转化。
灵初智能具身模型（Psi-R2.5）手机装配演示
第三步，也就是今天发布的 Psi-R2.5，要回答的问题是：数据的转换过程，能不能规模化？
相较于上一代，Psi-R2.5 有两大核心升级：
一是在语言层面上对数据标注的精度提出更高的要求，大幅压缩单任务重复样本；
二是规模化生成使用强 Pair data 对齐人类数据和机器人数据。
灵初智能在技术博客中将这两点概括为「Scaling Quality, Not Just Size「和「Scaling Pair Data for Data Alignment」，即规模扩张，质量优先，不只堆体量。
图片来自灵初智能项目演示与完整技术博客：Scaling Pair Data for Embodied Intelligence https://www.psibot.ai/scaling-pair-data-for-embodied-intelligence-zh/
新模型对既有的全量数据集完成全方位复盘、清洗与优化，为弥合数据转换的鸿沟提供了新的解决方案。
Psi-R2.5 模型升级的逻辑可以概括为「不拼数据量，拼数据质量和转化效率」。
Psi-R2.5 模型推出之后，在手机装配、纸盒插接等高精细度长程任务的成功率进一步提升。非结构化场景下模型的操作鲁棒性与泛化能力，是这一轮升级的要点。
同时，为了评估模型能力的高低，灵初智能为模型预训练全流程深度嵌入了一套仿真评测体系，其中包括自研搭建包含 50 项高难度复杂任务的真机多任务专属评测集。
把整个评估做好，这保障了机器人输出的动作在物理层面让机器人可执行、可落地。
10 万小时数据量之后，人类操作数据这条具身路线开始在泛化能力、长时序执行能力和操作性能上限上显现技术优势。
Psi-R2.5 真正解决的，是「人类怎么教机器人」从表面看，Psi-R2.5 首先是一次模型架构升级。
Psi‑R2.5 采用双层架构（高层规划器+低层控制器），模拟人类「大脑‑小脑」协同工作机制：
- 上层（高层规划大脑）：上层模型的网络骨干为 QwenVL3.5-4B，主打长时序任务理解与智能拆解，可将复杂自然语言指令拆解为精细化子任务，同时向底层模型传递专属任务子文本（Subtext）与价值优先级信息（Value）；
- 下层（低层控制小脑）：下层模型的网络骨干为 Wan2.2-IT2V-5B，精准对接环境观测信息与上层任务指令，输出机器人可直接落地、连续稳定的完整操作轨迹。
但如果只看到 Psi-R2.5 的「大脑-小脑」，其实抓错了重点。
灵初智能有一个颇为反常识的判断：对于具身预训练模型来说，模型架构是最不重要的，两三天就能换一个。真正影响性能的，是数据。
灵初这次真正想解决的，并不是再设计一个更复杂的模型，而是让模型吃进去的数据变得「更对机器人的胃口」。
本质上，这套架构背后是对数据运用能力的升级。双层级模型依托同一套预训练数据完成联合训练，优化了模型架构协同性与任务适配性。
这套预训练数据的核心是强 Pair data（强配对数据）。
Pair data，即人类与机器人执行同一任务时产生的成对数据。按对齐颗粒度的程度，它有强弱之分：
- 弱 Pair data 解决的是「人和机器人做的是同一件事」；
- 强 Pair data 进一步实现「人和机器人在同一个时间、同一个场景里，对同一个动作建立了可以执行的对应关系」。
比如人手拿起一个杯子，弱 Pair data 只知道「人和机器人都在拿杯子」，仅按照相同任务的语义理解；
强 Pair data 则要求两段数据在视觉上基本一致、时序上逐帧对应，物理层面（关节角度、电机扭矩等）也实现对齐，最终这条人类轨迹经过转换后，可以直接在机器人上 replay（真机重放）。
也就是说，强 Pair data 的对应之下，两者之间只剩下人类与机器人本体的差异。
强 Pair data 效果展示
强 Pair data 真正解决的，不是配对本身，而是把人类经验变成机器人能够理解和执行的数据。
用强 Pair data 训练出来的数据转换器，可以直接将人类数据转换成机器人数据。
这是灵初智能 10 万小时人类数据用于训练机器人的核心步骤。
因而，强 Pair data 解决的是「人类怎么教机器人」。
灵初智能上一代模型（Psi-R2 在 Psi-W0）中，已经可以产生强 Pair data。
但这条链路比较重，从一条人类数据到 Psi-W0、Rollot、RL、机器人轨迹再到强 Pair data，每一条都要重新算一遍。
到 Psi‑R2.5 这一代模型，则极大简化了数据生产的流程。
规模化生成高质量的强 Pair 数据，是行业里不少公司希望实现的目标。
起初，灵初智能训练了一个能够直接生产强 Pair data 的数据转换模型。但是，这仍然延续了传统逻辑：基于已有的人类数据生成机器人数据，差别在于减少 gap 的手段（强化学习、轨迹优化等）的变化。
灵初智能这次反过来想：既然机器人轨迹本身已经是真实可执行的数据，为什么不从机器人数据出发，反向生成对应的人类示范？
于是，Psi-W0 被反向调用。它从真实机器人真机执行数据出发，生成与之逐帧匹配的人类操作数据。
由此，灵初智能获得了大量此前很难直接采集的强 Pair data。
以这些强 Pair 数据为养料，直接训练出一个新的「端到端人类数据到机器人数据」转换模型。最终，借助这一转化模型，采用多种策略严格控制数据转化的质量，灵初智能实现了将人类数据与机器人数据的深度对齐。
从结果上来说，模型「逆向生长」的做法，让机器人开始有能力「给自己制造老师」——「自己教自己」。
普通人甚至不必穿戴上数采设备，只要用手机或相机拍摄出随机的挥手、拿握等各种手部操作动作，灵初智能的模型能够理解并模仿人类动作，并高精度「复刻」输出这些动作。
如果说 Psi-R2 证明了人类数据可以训练机器人，那么 Psi-R2.5 就是如何让这条人类数据路径真正具备规模化能力。
真正到了客户现场，只做基础模型还不够具身行业面对的一个现实是：短期内，机器人做不到 Zero-shot。
这不完全是机器人模型能力的限制，更是商业化现实的考量。靠预训练模型搞定所有的场景、任务，需要海量数据的投入。
以工厂为例，工厂里的零件 SKU 复杂，存在不同型号的材质、重量差异；流水线上的节拍快慢不同，要求机器人动作精确度；工作环境的改变对机器人传感器的影响；拧螺丝、插拔排线有工艺上的差别；此外，还有诸多无法提前预估的边缘案例。
因此，基础模型的意义不是零样本解决所有问题，而是把后训练的成本降下来。
灵初智能开发了一套基于灵巧手的后训练「HIL + RL 框架」。这套结合了人工示范+机器人自主探索的后训练系统，能够在短时间内仅用极少的数据微调，完成复杂任务。
「手机盒装配任务」要求多步骤、精细操作，机器人从头至尾用模仿学习训练策略的成功率非常低。
灵初智能「HIL + RL 框架」只需要花费 1-2 个工作日，就帮助机器人能够将任务成功率提高到 99%。
当灵初智能 Psi‑R2.5 模型经过 10 万小时人类数据完成预训练之后，具身数据飞轮转起来，每部署一个新场景，积累的数据越来越多，而后训练消耗的数据则越来越少。
相比几个月前，具身模型后训练需要消耗的真机演示数量，如今「HIL + RL 框架」下训练模型仅需少量示教数据。
目前，「HIL + RL 框架」已成功落地真实工业客户现场，解决各类复杂场景与任务的作业难题。
用少量数据完成任务适配，高效轻量化的后训练，打通「数据采集-模型训练 -真机落地-现场数据回流」的循环，才能持续迭代。
今年，灵初智能目标构建「百万小时级别」的高质量可用数据集。
这并非单纯追求数据总时长，而是通过自建采集站点，以及和业务方合作的方式完成数据回流。「HIL + RL 框架」在部署时，实时收集失败案例，回流数据到公司，以提升基础模型能力。
不过，后训练的加入，仍然是「人类教机器人」的阶段。
更远的一步，是让机器人不再需要重新训练。
眼下，热门的上下文学习（In-Context Learning）思路，在不重新训练模型的前提下，让人示范一遍，以类似「提示词」的形式加入到模型，能够提升泛化能力。
灵初智能自研强 Pair Data 数据转换管线，能够高效将人类数据转化为机器人数据，更好地作为「提示词」输入到模型，最终做到基于上下文对新任务实现「零样本泛化」。
自此，灵初的技术路线形成三个阶段：
- 预训练，解决机器人怎么获得基础能力；
- 后训练，解决机器人怎么快速学会一项工作；
- 上下文学习，解决机器人怎么做现场学会新工作。
贯穿三个阶段的底层能力，是从人类数据到机器人数据的转换，是强 Pair Data。
围绕强 Pair Data（强配对数据），以 Psi‑R2.5 模型推出为节点，灵初智能搭建起从数据生产、人机对齐、模型训练、评测验证到产业落地的完整链路。
回过头看，Psi-R2 证明人类数据可以成为机器人的预训练数据，Psi-W0 解决人类数据如何转成机器人可执行数据，Psi-R2.5 进一步解决了这一转换如何规模化。
灵初智能这次真正规模化的，不只是模型，还有从人类数据到机器人数据这条生产链路。
这也让 Psi-R2.5 的发布，从一次模型的升级，变成一个更有行业意义的判断：
具身智能的数据瓶颈，可能不是机器人产生不了足够多的数据，而是机器人还没有找到足够高效的方法，把人类已经产生的大量真实世界经验变成自己的数据。
10 万小时之后，灵初开始回答的，正是这个问题。
